因此，這些自稱行為主義者的主要研究集中在刺激與反應、反饋和強化的關系，即搖鈴如何導致狗流口水。他們放棄了對人腦內部機制的探索，而他們也主導了這一領域40年時間。
隨后的50年代中期，一批頗具反叛精神的心理學家、語言學家、信息理論學家，以及早期的人工智能研究員提出了關於思維的不同概念。他們認為，人腦並不是條件反射的綜合體。人腦吸收信息、處理信息，隨后在這些信息的基礎上采取行動。人腦具備寫入、存儲，以及調用記憶等功能，是一種富於邏輯的體系。人腦並不是黑盒，而是更類似計算機。
這種所謂的認知革命最初規模不大，但隨着計算機成為全球心理學實驗室的標配設備，這一理論得到了更廣泛的接受。到70年代末，認知心理學已經超過了行為主義心理學，同時也帶來了討論人類思維的一套新語言。心理學家開始將思維描述為計算機程序，而商業人士也開始關注，當代工作場合中人類思維的容量和處理能力限制。
這樣的故事多次上演。隨着數字革命深入我們每個人的日常生活，這也滲透至我們的語言，以及我們有關事物運行法則的基本理論中。技術總是可以做到這點。在啟蒙時代，牛頓和笛卡爾促使人們將宇宙視為精密的時鍾。在工業時代，扮演這一角色的是帶活塞的機器。(佛洛依德關於精神動力學的概念借鑒自蒸汽機的熱動力學。)現在我們迎來了計算機。從基礎來看，這是個賦能的概念。因為如果世界是一台計算機，那么世界就可以被編程。
代碼有邏輯，代碼可以被黑客修改，代碼有自己的目標。這就是數字時代的核心原則。用知名風投馬克·安德森(Marc Andreessen)的話來說，軟件正在吞噬世界。在這一過程中，我們周圍密布着機器，能將我們的行動、思維和情感轉化為數據，而工程師可以對這些原始數據進行加工。我們已經看到，生活本身被一系列指令所主導，而這些指令可以被發現、探索、優化，甚至改寫。
企業利用代碼去理解人類最親密的關系：Facebook的馬克·扎克伯格(Mark Zuckerberg)甚至表示，“基本數學定律是人際關系的基礎，而這些人際關系維持着人們最關心的人和事的平衡”。2013年，克雷格·溫特(Craig Venter)宣布，在試圖解碼人類基因的10年后，他開始進行編碼，以創造合成的生物。他表示：“情況很明顯，這個星球上我們已知的所有細胞都是由基因軟件驅動的生物機器。”一些文學作品也堅稱，你可以修改自己的源代碼，重新編程你熱愛的生活，睡眠習慣和消費習慣。
在這樣的世界中，編寫代碼不僅是必要技能，也是一種幫助人們深入了解事物內部狀態的語言，被視為獲得力量的途徑。未來學家馬克·古德曼(Marc Goodman)表示：“如果你控制代碼，那么就控制了世界。”《彭博商業周刊》的保羅·福特(Paul Ford)略顯謹慎：“如果說程序員沒有運行世界，他們至少控制着運行世界的工具基礎。”
無論你是否喜歡這樣的狀態，或者說無論你是一名編程精英，還是連智能手機的設置菜單都用不好的菜鳥，你都不必習慣於這樣的狀態。我們的機器正在開始使用不同的語言，而即使是最優秀的程序員也無法理解這種語言。
過去幾年，硅谷最大的科技公司正在積極發展新的計算技術，即機器學習。在傳統的編程方法中，工程師寫下精確的指令讓計算機去執行。而對於機器學習技術，程序員編寫的並不是讓計算機去執行的指令。程序員只是訓練計算機。如果你希望讓神經網絡去識別小貓，那么不需要告訴計算機小貓的長相，例如眼睛、耳朵和皮毛。你只需向計算機展示成千上萬的小貓照片，隨后計算機自己就能在圖片中找出小貓。如果你將狐狸的照片混在了小貓照片中，那么也沒有關系，你只需要給予計算機大量正確的訓練即可。
這樣的方法並不新穎，出現時間已有數十年，但直到近期才變得更強大。這部分是由於深度神經網絡的興起。這樣的大規模分布式計算系統模擬了大腦中的多層神經元結構。無論你是否意識到這點，機器學習都已經在我們的在線活動中扮演了重要角色。
Facebook使用機器學習去判斷，將哪些內容投放至你的消息流。谷歌照片使用機器學習去識別照片中的人臉。微軟的Skype Translator能實時翻譯不同語言之間的對話，而基礎也是機器學習。無人駕駛汽車利用機器學習去避免交通事故。甚至谷歌搜索引擎也開始依靠深度神經網絡。
今年2月，谷歌任命機器學習專家約翰·吉安南德里(John Giannadrea)為搜索業務負責人，並啟動新項目給工程師培訓這一新技術。吉安南德里表示：“通過開發學習系統，我們不需要再編寫這些規則。”
不過問題在於：在機器學習系統中，工程師無法知道，機器如何去完成自己的工作。神經網絡的運行很大程度上不透明，令人無法捉摸。換句話說，這是個黑盒。隨着這樣的黑盒在我們的日常生活中扮演越來越重要的角色，它們不僅將變革人類與技術之間的關系，將改變我們對自己、對世界，以及對我們與世界關系的思考。
如果說在傳統觀念中，程序員就像是上帝，是計算機系統規則的制定者，那么現在他們更像是家長，像是寵物的訓練者。作為家長或者寵物的主人，你與孩子或寵物的關系將會有些說不清、道不明。
程序員將遭遇變革
安迪·魯賓(Andy Rubin)是資深的發明家和程序員。作為Android系統的聯合創始人，魯賓的辦公室和家里擺着各種機器人，這點在硅谷已人盡皆知。他自己為機器人編程。他表示：“在我還很年輕時，我就深入至計算機科學。我喜歡計算機是因為，我可以消失在計算機的世界里。這就像是一塊白布，我可以從頭開始創造些東西。在許多許多年中，這給我帶來了一個完全受控的世界。”
然而他現在認為，這樣的世界正走向尾聲。機器學習的興起令魯賓感到興奮。他的公司Playground Global投資了機器學習行業創業公司，對自身的定位則是領導智能設備的發展。不過，這也令他有些遺憾，因為機器學習改變了關於工程師的定義。
魯賓表示：“人們不再一步步編寫程序。在神經網絡知道如何識別語音之后，程序員無法介入，看看機器是怎么做到的。這就像是你的大腦。你不可能把頭砍下來，看看你在想什么。”如果工程師想要窺探深度神經網絡的內部，那么他們看到的將是數學的海洋，利用多層微積分計算去判斷數十億數據點之間的關系，從而完成對世界的猜測。
人們最初對人工智能的設想並非如此。直到幾年前，主流人工智能研究員仍認為，如果想要開發出智能體，那么我們必須給機器灌輸正確的邏輯，只有編寫足夠的規則，我們才能開發出足夠精密的系統，去理解整個世界。他們大多沒有注意到機器學習的早期發展，甚至詆毀這一技術。在很多年時間里，計算機的性能不夠強大，而機器學習的優勢體現不出來，因此這樣的觀點占了上風。
致力於人工智能的斯坦福大學前教授塞巴斯蒂安·斯倫(Sebastian Thrun)表示：“大部分爭論集中於固有觀念，即人腦如何組織世界，以及人腦的運轉方式。神經網絡沒有任何符號或規則，只有數字。這令許多人感到不能理解。”斯倫開發了谷歌的無人駕駛汽車。
除此之外，無法理解的機器語言還帶來了更現實的問題。過去20年，學習編程可以說是找工作的捷徑，許多家長都在讓孩子們額外學習編程。然而，由神經網絡主導的深度學習機器需要完全不同的能力。隨着機器導致傳統技能的邊緣化，分析師已開始擔心，人工智能對就業市場的影響。程序員可能很快就能親身感受到這一點。
知名科技行業人士蒂姆·奧萊利(Tim O'Relly)表示，傳統編程不會徹底消亡，在很長一段時間里我們仍需要程序員，不過這樣的需求將逐漸下降，而編程將成為一項“元技能”。用艾倫人工智能研究所CEO奧林·艾奇奧尼(Oren Etzioni)的話來說，編程的目的將變成為機器學習的運行“搭腳手架”。量子力學的發展並沒有徹底打破牛頓經典力學，而代碼仍將帶來強大的力量，並且是我們探索世界的工具。然而，在提供特定的功能方面，機器學習將會代替我們去做很多工作。
當然，人類仍需要去訓練這些系統。但至少目前來看，對編程技能的需求將會下降。未來的職位不僅需要對數學的掌握，還需要關於教育的直覺。谷歌DeepMind團隊負責人德米斯·哈薩比斯(Demis Hassabis)表示：“這就像是一種藝術形式，提煉出系統中的精華。目前全球只有幾百人擅長此道。”不過，就是為數不多的這些人在短短幾年時間里推動了科技行業的轉型。
人類與技術將是何種關系？
除了影響找工作之外，這一轉型還將帶來明顯的文化意義。如果說人工編寫的軟件帶來了對工程師的崇拜，以及人類體驗可被濃縮至一系列可理解指令的觀念，那么機器學習將帶來相反方向的變化。推動宇宙運行的代碼可能是人類無法分析的。例如，谷歌目前正面臨着歐洲的反壟斷調查，稱該公司過度影響了搜索結果。如果谷歌自己的工程師也無法弄明白，搜索引擎算法會將什么樣的結果放在首位，那么這樣的指控將非常困難。
過去一段時間，這種不確定性正在爆發。最簡單的算法也可能導致無法預期的結果，這已經不算新聞。這可以回溯至混論理論和隨機數發生器。過去幾年，隨着網絡越來越復雜，功能越來越多，代碼變得越來越令人看不懂，而機器中的幽靈也讓人覺得難以控制，無論是飛機事故，股市的迅速熔斷，還是大規模的停電。
由於這種力量的興起，技術專家丹尼·希利斯(Danny Hillis)已准備宣告啟蒙時代的終結。在這一時代里，我們相信邏輯、確定性，以及對自然的控制。希利斯表示，我們正在進入“糾纏的時代”。“隨着技術產物變得更復雜，我們與它們的關系也將改變。”他在《設計和科學期刊》上表示，“我們不再是這些產物的主人，我們需要與它們協商，勸導他們、引導他們去實現我們的目標。我們建立起了叢林，而叢林里有自己的生物。”機器學習的崛起是這一旅程中的最新一步，也可能是最后一步。
這樣的現實令人恐慌。在一般人看來，編程是需要通過培訓班學習的技能，程序員至少是人類。然而目前，這些科技精英對他們作品的指揮能力正在弱化，甚至已經無法直接去指揮。這一領域的公司已經發現，機器行為很難控制。去年，谷歌的照片識別引擎將黑人標記為大猩猩，而谷歌對此做出了緊急道歉。谷歌的解決辦法很粗暴，禁止系統將任何東西標記為大猩猩。
這意味着，在即將到來的時代里，我們的主動權將被讓渡給機器。知名物理學家史蒂芬·霍金(Stephen Hawking)表示：“可以想象，這樣的技術將會比金融市場更聰明，在發明能力上超過人類研究員，對社會的操控技巧勝過人類領袖，而開發出的武器將是我們無法理解的。人工智能的短期影響取決於控制者是誰，但長期影響在於誰能控制人工智能。”這樣的觀點也得到了伊隆·馬斯克(Elon Musk)和比爾·蓋茨(Bill Gates)等人的響應。
不過，這樣的擔心不必太過：“天網”還沒有到來。我們只是在了解與新技術互動的規則。目前，工程師已經找到了某些辦法，以可視化的方式呈現深度學習系統的內部情況。但即使我們無法完全理解機器的思考方式，也並不意味着我們對機器無計可施。未來，我們不會太關心機器行為的底層基礎，我們將學會專注於行為本身。代碼的重要性將會下降，而用於訓練機器的數據變得越來越重要。
如果說這聽起來似曾相識，那么是因為，這看起來就像是20世紀的行為主義理論。實際上，機器學習算法的訓練過程常常被拿來與20世紀重要的行為主義實驗做對比。巴甫洛夫訓練狗流口水並非通過對飢餓感的研究，而只是不斷重復某個事件。他多次提供數據，直到代碼對自己進行重寫。而在行為主義者看來，他們能夠控制自己的研究對象。
斯倫表示，長期而言，機器學習的影響將逐漸普及。現在，你不需要了解HTML就能開發網站，而未來你也不需要博士水平的知識就能利用深度學習的強大力量。只要知道如何訓練寵物犬，人們就可以利用機器學習。斯倫表示：“對我而言，這是編程領域最酷的一件事，因為現在任何人都能編程。”
在計算發展史上，我們常常采用由內而外的方式去了解機器如何工作。最開始，我們編寫代碼，而機器表達代碼。這樣的世界觀有一定的靈活性，但也意味着某種基於規則的確定性，即事物是底層指令的產物。機器學習的情況相反，我們需要采用由外而內的方式去研究。不僅是代碼決定行為，行為也會影響代碼。機器是世界的產物。
最終，我們將同時發揮手寫代碼和機器學習算法的力量。生物學家有可能已開始注意到這點。類似Crispr的基因改造技術使他們獲得了類似傳統程序員操控代碼的能力。不過，表觀遺傳學的發現表明，基因材料並非一成不變的指令，而是會根據環境和主人的體驗動態調整。我們的代碼並非完全獨立於現實世界，而是受到現實世界深深的影響。溫特或許認為，細胞是由基因軟件驅動的機器，但表觀遺傳學家史蒂夫·科爾(Steve Cole)有着不同觀點：“細胞是將外部體驗轉變為生物學元素的機器。”
目前，在阿蘭·圖靈(Alan Turing)繪制了問題分析機設計的80年后，計算機已經可以將外部體驗轉變為技術元素。過去幾十年中，我們致力於探索世界的密碼，並嘗試優化我們對世界的體驗。然而，我們的機器不太可能長時間去按照這種方式運轉，而世界從來也不是這樣。我們與技術的關系將更復雜，而技術可能會給我們帶來更多幫助。我們不再指揮機器，而是將培養機器。
